Point Cloud Mamba：通过状态空间模型进行点云学习

基于摘要分析。本文研究三维点云的高效全局建模，提出 Point Cloud Mamba（PCM），通过点云序列化、point prompts 和空间坐标位置编码，使 Mamba 能够处理无规则排列的点云，并以线性计算复杂度进行全局建模。 核心机制是 Consistent Traverse Serialization：将三维点云转换为一维点序列，使序列中相邻的点在空间上也相邻。该方法通过排列 x、y、z 坐标顺序生成六种变体，作者认为联合使用这些变体有助于全面观察点云。point prompts 用于告知 Mamba 序列的排列规则；基于空间坐标映射的位置编码则用于注入空间位置信息。摘要未提供这些模块的具体实现、训练目标、变体融合方式或推理开销。 作者报告，PCM 在 ScanObjectNN、ModelNet40、ShapeNetPart 和 S3DIS 上取得 SOTA 表现，并优于点云方法 PointNeXt。其中，在使用更强局部特征提取模块的条件下，作者报告 PCM 在 S3DIS 上达到 79.6 mIoU，较 DeLA 和 PTv3 分别高 5.5 和 4.9 个 mIoU 数值单位。摘要未说明该结果的数据划分、具体评估协议及基线配置，因此不能据此确认同等条件下的优势。实验协议、消融及统计信息尚未验证，线性复杂度的具体适用范围与实际效率也需正文核对。 平台推测（待验证）：若 EEG 通道具有可靠的电极空间坐标，可尝试复用“空间邻接序列化＋顺序提示”的机制，以检验其是否有助于多通道空间建模；这不是已验证的 EEG 或 BCI 贡献。迁移需要保留 EEG 的时间结构，并改造坐标编码以适配电极布局和通道缺失。低信噪比、空间邻近不等于功能关联、跨被试布局差异及小数据训练均可能使方法失效。一个可证伪的小实验是在固定数据划分、训练预算与 Mamba 主干下，对比空间邻接排序、固定通道顺序及随机排序，并分别移除顺序提示和坐标编码，观察优势是否稳定。已有 EEG 相关工作尚未检索确认。